以下資料來自：網絡+最後的整合
https://www.cnblogs.com/shuaishuaidefeizhu/p/11269257.html
https://www.cntofu.com/book/85/ml/clean-feature/one-hot.md
一、什麼是one-hot編碼
One-Hot編碼，又稱爲一位有效編碼，主要是採用N位狀態寄存器來對N個狀態進行編碼，每個狀態都由他獨立的寄存器位，並且在任意時候只有一位有效。
One-Hot編碼是分類變量作爲二進制向量的表示。這首先要求將分類值映射到整數值。然後，每個整數值被表示爲二進制向量，除了整數的索引之外，它都是零值，它被標記爲1。
二、one-hot編碼過程詳解
比如我們要對 “hello world” 進行one-hot編碼，怎麼做呢？
1、確定要編碼的對象—hello world
2、確定分類變量–h e l l o 空格 w o r l d,共27種類別（26個小寫字母 + 空格）
3、以上問題就相當於，有11個樣本，每個樣本有27個特徵，將其轉化爲二進制向量表示。
這裏有一個前提，特徵排列的順序不同，對應的二進制向量亦不同（比如我把空格放在第一列和a放第一列，one-hot編碼結果肯定是不同的）
因此我們必須要事先約定特徵排列的順序：
1、27種特徵首先進行整數編碼：a–0,b–1,c–2,…,z–25，空格–26
2、27種特徵按照整數編碼的大小從前往後排列
得到的one-hot編碼如下：
再比如：我們要對[“中國”, “美國”, “日本”]進行one-hot編碼，
怎麼做呢？
1、確定要編碼的對象–[“中國”，“美國”，“日本”、“美國”]
2、確定分類變量–中國 美國 日本，共3種類別。
3、以上問題就相當於，有3個樣本，每個樣本有3個特徵，將其轉化爲二進制向量表示。
我們首先進行特徵的整數編碼：中國–0，美國–1，日本–2，並將特徵按照從小到大排列
得到one-hot編碼如下：
三、爲什麼需要one-hot編碼？
one hot編碼是將類別變量轉換爲機器學習算法易於利用的一種形式的過程。
上面的 hello world 相當於多分類的問題（27分類），每個樣本只對應於一個類別（即只在對應的特徵處值爲1，其餘地方值爲0），而我們的分類結果，得到的往往是隸屬於某個類別的概率，這樣在進行損失函數（例如交叉熵損失）或準確率計算時，變得非常方便。
四、one-hot編碼的缺陷
one-hot編碼要求每個類別之間相互獨立，如果之間存在某種連續型的關係，或許使用distributed respresentation（分佈式）更加合適。
五、one-hot的好處：
1、解決了分類器不好處理屬性數據的問題。
2、在一定程度上也起到了擴充特徵的作用。
六、舉例
from sklearn import preprocessing
enc = preprocessing.OneHotEncoder()
enc.fit([[0, 0, 3], [1, 1, 0], [0, 2, 1], [1, 0, 2]])
print(enc.transform([[0, 1, 3]]).toarray())
輸出結果爲：
[[1. 0. 0. 1. 0. 0. 0. 0. 1.]]